关于Python数据抓取、分析、挖掘、机器学习和Python分布式计算内容分享 | 数盟社区

关于Python数据抓取、分析、挖掘、机器学习和Python分布式计算内容分享

01 数据抓取

1、背景调研

1)检查robots.txt,了解爬取该网站有哪些限制;

2)pip install builtwith;pip install python-whois

2、数据抓取:

1)动态加载的内容:

使用selenium

  1. #!/usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. from selenium import webdriver
  4. from selenium.webdriver.common.keys import Keys
  5. import time
  6. import sys
  7. reload(sys)
  8. sys.setdefaultencoding(‘utf8’)
  9. driver = webdriver.Chrome(“/Users/didi/Downloads/chromedriver”) driver.get(‘http://xxx’)
  10. elem_account = driver.find_element_by_name(“UserName”)
  11. elem_password = driver.find_element_by_name(“Password”)
  12. elem_code = driver.find_element_by_name(“VerificationCode”) elem_account.clear()
  13. elem_password.clear()
  14. elem_code.clear()
  15. elem_account.send_keys(“username”)
  16. elem_password.send_keys(“pass”)
  17. elem_code.send_keys(“abcd”)
  18. time.sleep(10)
  19. driver.find_element_by_id(“btnSubmit”).submit()
  20. time.sleep(5) driver.find_element_by_class_name(“txtKeyword”).send_keys(u“x”) #模拟搜索 driver.find_element_by_class_name(“btnSerch”).click()
  21. # …省略处理过程
  22. dw = driver.find_elements_by_xpath(‘//li[@class=”min”]/dl/dt/a’)
  23. for item in dw:
  24. url = item.get_attribute(‘href’)
  25.    if url:
  26.  ulist.append(url)
  27.  print(url + “—“ + str(pnum))
  28.  print(“##################”)

2)静态加载的内容

(1)正则;

(2)lxml;

(3)bs4

  1. #!/usr/bin/env python
  2. # -*- coding: utf-8 -*-
  3. string = r‘src=”(http://imgsrc\.baidu\.com.+?\.jpg)” pic_ext=”jpeg”‘ # 正则表达式字符串 urls = re.findall(string, html)
  4. import requests
  5. from lxml import etree
  6. import urllib
  7. response = requests.get(url)
  8. html = etree.HTML(requests.get(url).content)
  9. res = html.xpath(‘//div[@class=”d_post_content j_d_post_content “]/img[@class=”BDE_Image”]/@src’) # lxml
  10. import requests
  11. from bs4 import BeautifulSoup
  12. soup = BeautifulSoup(response.text, ‘lxml’) # 解析response并创建BeautifulSoup对象 urls = soup.find_all(‘img’‘BDE_Image’)

3):反爬与反反爬

(1):请求频率;

(2):请求头;

(3):IP代理;

4):爬虫框架:

(1):Scrapy

(2):Portia

02 数据分析

1、常用的数据分析库:

NumPy:是基于向量化的运算。http://www.numpy.org/

1)List => 矩阵

2)ndim:维度;shape:行数和列数;size:元素个数

Scipy:是NumPy的扩展,有高等数学、信号处理、统计等。https://www.scipy.org/

Pandas:是基于NumPy的快速构建高级数据结构的包,数据结构:Series和DataFrame。http://pandas.pydata.org/

1):NumPy类似于List,Pandas 类似于Dict。

Matplotlib:绘图库。

1):是一个强大的绘图工具;

2):支持散点图、线图、柱状图等;

简单例子:

  1. pip2 install Numpy
  2. >>> import numpy as np
  3. >>> a = np.arange(10)
  4. >>> a
  5. array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
  6. >>> a ** 2
  7. array([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81])
  8. pip2 install Scipy
  9. >>> import numpy as np
  10. >>> from scipy import linalg
  11. >>> a = np.array([[1, 2], [3, 4]])
  12. >>> linalg.det(a)
  13. -2.0
  14. pip2 install pandas
  15. >>> df = pd.DataFrame({ ‘A’ : pd.date_range(“20170802”, periods=5), ‘B’ : pd.Series([11, 22, 33, 44,
  16. 55]), ‘C’ : pd.Categorical([“t”,“a”,“b”,“c”,“g”])})
  17. >>> df
  18. ABC 0 2017-08-02 11 t 1 2017-08-03 22 a 2 2017-08-04 33 b 3 2017-08-05 44 c 4 2017-08-06 55 g
  19. pip2 install Matplotlib
  20. >>> import matplotlib.pyplot as plt
  21. >>> plt.plot([1, 2, 3])
  22. [<matplotlib.lines.Line2D object at 0x113f88f50>]
  23. >>> plt.ylabel(“didi”)
  24. <matplotlib.text.Text object at 0x110b21c10>
  25. >>> plt.show()

2、高级数据分析库:

scikit-learn:机器学习框架。

图上可以表示出数据小于50,No:需要更多的数据, Yes使用分类器,一直走下去;

由图中,可以看到算法有四类,分类,回归,聚类,降维。

KNN:

  1. #!/usr/local/bin/python
  2. # -*- coding: utf-8 -*-
  3. 预测Iris https://en.wikipedia.org/wiki/Iris_flower_data_set 
  4. # 导入模块
  5. from __future__ import print_function
  6. from sklearn import datasets
  7. from sklearn.model_selection import train_test_split
  8. from sklearn.neighbors import KNeighborsClassifier
  9. # 创建数据
  10. iris = datasets.load_iris()
  11. iris_X = iris.data # 花萼的长宽、 花瓣的长宽
  12. iris_y = iris.target # 花的种类 0, 1, 2
  13. print(iris_X)
  14. print(iris_y)
  15. print(iris.target_names)
  16. # 定义模型-训练模型-预测
  17. X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y, test_size = 0.1) # 训练数据10% knn = KNeighborsClassifier() # 创建KNN近邻器
  18. knn.fit(X_train, y_train) # 训练数据
  19. predicts = knn.predict(X_test) # 得到预测结果
  20. # 对比结果
  21. print(“#########################”)
  22. print(X_test)
  23. print(predicts)
  24. print(y_test)
  25. # 计算预测准确率
  26. print(knn.score(X_test, y_test))
  27. [[ 5.   3.3  1.4  0.2]
  28. [ 5.   3.5  1.3  0.3]
  29. [ 6.7  3.1  5.6  2.4]
  30. [ 5.8  2.7  3.9  1.2]
  31. [ 6.   2.2  5.   1.5]
  32. [ 6.   3.   4.8  1.8]
  33. [ 6.3  2.5  5.   1.9]
  34. [ 5.   3.6  1.4  0.2]
  35. [ 5.6  2.9  3.6  1.3]
  36. [ 6.9  3.2  5.7  2.3]
  37. [ 4.9  3.   1.4  0.2]
  38. [ 5.9  3.   4.2  1.5]
  39. [ 4.8  3.   1.4  0.1]
  40. [ 5.1  3.4  1.5  0.2]
  41. [ 4.7  3.2  1.6  0.2]]
  42. [0 0 2 1 1 2 2 0 1 2 0 1 0 0 0]
  43. [0 0 2 1 2 2 2 0 1 2 0 1 0 0 0]
  44. 0.933333333333

Linear Regression

  1. #!/usr/local/bin/python # -*- coding: utf-8 -*- 
  2. 波士顿房价趋势
  3. # 导入模块
  4. from __future__ import print_function
  5. from sklearn import datasets
  6. from sklearn.linear_model import LinearRegression
  7. import matplotlib.pyplot as plt
  8. # 创建数据
  9. loaded_data = datasets.load_boston() #波士顿的房价
  10. data_X = loaded_data.data
  11. data_y = loaded_data.target
  12. print(data_X)
  13. print(data_y)
  14. # 定义模型-训练模型-预测
  15. model = LinearRegression() # 线性回归
  16. model.fit(data_X, data_y) # 训练数据
  17. print(model.predict(data_X[:4, :])) # 得到预测结果
  18. print(data_y[:4])
  19. # 结果
  20. print(“#########################”)
  21. X, y = datasets.make_regression(n_samples=100, n_features=1, noise=10) # 生成回归模型数据100个样本, 每个样本一个特征, 高斯噪声
  22. plt.scatter(X, y) # 散点图
  23. plt.show()

03 数据挖掘

1、挖掘关键词:

涉及到的算法:TF-IDF

参考文献:http://www.ruanyifeng.com/blog/2013/03/tf-idf.html

news.txt:

滴滴出行与欧非地区领先出行企业Taxify达成战略合作 支持跨地区交通技术创新

2017-08-01 滴滴出行 【2017年8月1日,中国,北京/爱沙尼亚,塔林】滴滴出行今日宣布与欧非地区移动出行领军企业Taxify达成战略合作 。滴滴将通过投资以及智能交通技术研发等方面协作,支持Taxify在多元市场进行更深度的市场拓展和技术创新。 滴滴出行是全球领先的移动出行平台。依靠人工智能技术, 滴滴在超过400个城市为4亿多用户提供包括出租车、专车、快车、豪华车和顺风车等在内的多元化出行服务。在为1700 余万司机提供灵活就业与收入机会的同时,滴滴也以人工智能技术支持城市管理者建设一体化、可持续的智慧交通解决 方案。 Taxify于2013年成立于爱沙尼亚,是欧洲和非洲地区成长最快的移动出行企业。目前其出租车和私家车共享出行服务网 络遍及欧洲、非洲、西亚的中心城市;触达匈牙利、罗马尼亚、波兰、波罗的海三国、南非、尼日利亚、肯尼亚等18个 国家,拥有超过250万用户。 滴滴出行创始人、CEO程维表示:“Taxify在多元化的市场提供优质的创新型出行服务。我们都致力于运用移动互联网 科技的力量,满足迅速演变的消费者需求;帮助传统交通行业转型升级。我相信这一合作将为亚洲,欧洲和非洲市场间 构建跨地区智慧交通纽带作出贡献。”

Taxify创始人、CEO马克斯·维利格(Marcus Villig)表示:“Taxify将借力此次战略合作,巩固我们在欧洲和非洲核心市场的优势地位。我们相信滴滴是最理想的 伙伴,能帮助我们成为欧非地区最受欢迎和最有效率的出行选择。”

  1. #!/usr/local/bin/python # -*- coding: utf-8 -*- 
  2. 分析文章关键词
  3. import os
  4. import codecs
  5. import pandas
  6. import jieba
  7. import jieba.analyse
  8. # 格式化数据格式
  9. tagDF = pandas.DataFrame(columns=[‘filePath’‘content’‘tag1’‘tag2’‘tag3’‘tag4’‘tag5’]) try:
  10. with open(‘./houhuiyang/news.txt’‘r’as f: #载入语料库 content = f.read().strip()
  11.    tags = jieba.analyse.extract_tags(content, topK=5) #TF_IDF
  12.    tagDF.loc[len(tagDF)] = [“./news.txt”, content, tags[0], tags[1], tags[2], tags[3], tags[4]]
  13.    print(tagDF)
  14. except Exception, ex:
  15.    print(ex)

计算出文章Top5的关键词:出行、滴滴、Taxify、欧非、交通

2、情感分析

情感用语资料:http://www.keenage.com/html/c_bulletin_2007.htm

1)最简单的方式就是基于情感词典的方法;

2)复杂的就是基于机器学习的方法;

  1. pip2 install nltk
  2. >>> import nltk
  3. >>> from nltk.corpus import stopwords #停止词 >>> nltk.download() # 安装语料库
  4. >>> t = “Didi is a travel company”
  5. >>> word_list = nltk.word_tokenize(t)
  6. >>> filtered_words = [word for word in word_list if word not in stopwords.words(‘english’)] [‘Didi’‘travel’‘company’]
  7. >>> nltk.download(‘stopwords’) #下载停止词

中英文NLP分词区别

1):启发式 Heuristic

2):机器学习/统计法:HMM、CRF

处理流程:raw_text -> tokenize[pos tag] -> lemma / stemming[pos tag] -> stopwords -> word_list

04 Python 分布式计算 

  1. pip2 install mrjjob
  2. pip2 install pyspark

1)Python 多线程;

2)Python 多进程【multiprocessing】;

3)全局解释器锁GIL;

4)进程间通信Queue;

5)进程池Pool;

6)Python的高阶函数;

  1. map/reduce/filter

7)基于Linux的管道的MapReducer 【cat word.log | python mapper.py | python reducer.py | sort -k 2r】

word.log

北京 成都 上海 北京 山西 天津 广州

  1. #!/usr/local/bin/python
  2. # -*- coding: utf-8 -*-
  3. mapper
  4. import sys
  5. try:
  6.    for lines in sys.stdin:
  7.        line = lines.split()
  8.        for word in line:
  9.            if len(word.strip()) == 0:
  10.                continue
  11.            count = “%s,%d” % (word, 1)
  12.            print(count)
  13. except IOError, ex:
  14. print(ex)
  15. #!/usr/local/bin/python
  16. # -*- coding: utf-8 -*-
  17. reducer
  18. import sys
  19. try:
  20.    word_dict = {}
  21.    for lines in sys.stdin:
  22.        line = lines.split(“,”)
  23.        if len(line) != 2:
  24.            continue
  25.        word_dict.setdefault(line[0], 0)
  26.        word_dict[line[0]] += int(line[1])
  27.    for key, val in word_dict.items():
  28.     stat = “%s %d” % (key, val)
  29.        print(stat)
  30. except IOError, ex:
  31. print(ex)

05 神经网络

分别有CPU/GPU版本

1)tensorflow 建立的神经网络是静态的

2)pytorch http://pytorch.org/#pip-install-pytorch 建立的神经网络是动态的 【Troch 是Lua写的,这个是Python版本】

简单说数据:

标量(Scalar)是只有大小,没有方向的量,如1,2,3等

向量(Vector)是有大小和方向的量,其实就是一串数字,如(1,2)

矩阵(Matrix)是好几个向量拍成一排合并而成的一堆数字,如[1,2;3,4]

张量(Tensor)是按照任意维排列的一堆数字的推广。如图所示,矩阵不过是三维张量下的一个二维切面。要找到三维张量下的一个 标量,需要三个维度的坐标来定位。

TensorFlow pytorch用张量这种数据结构来表示所有的数据。

  1. #-*- coding: UTF-8 -*-
  2. #author houhuiyang
  3. import torch
  4. import numpy as np
  5. from torch.autograd import Variable
  6. import torch.nn.functional as F
  7. import matplotlib.pyplot as plt
  8. np_data = np.arange(6).reshape((2, 3))
  9. torch_data = torch.from_numpy(np_data)
  10. tensor2np = torch_data.numpy()
  11. print(
  12. “\nnp_data”, np_data, #矩阵
  13. “\ntorch_data”, torch_data, #张量
  14.   “\ntensor to numpy”, tensor2np
  15. )
  16. # data = [-1, -2, 1, 2, 3]
  17. data = [[1, 2], [3, 4]]
  18. tensor = torch.FloatTensor(data)
  19. abs sin cos mean平均值 matmul/mm print(
  20.   “\nnumpy”, np.matmul(data, data),
  21.   “\ntorch”, torch.mm(tensor, tensor)
  22. )
  23. # tensor variable
  24. tensor_v = torch.FloatTensor([[1,2], [3,4]]) variable = Variable(tensor_v, requires_grad=True) # 计算中值
  25. t_out = torch.mean(tensor_v * tensor_v) # x ^ 2 v_out = torch.mean(variable * variable) # 反向传播 print(
  26.   tensor_v,
  27.   variable,
  28.   t_out,
  29.   v_out
  30. )
  31. v_out.backward() # 反向传递
  32. print(variable.grad) # 梯度
  33. y = Wx 线性
  34. y =AF(Wx)非线性 【激励函数 relu/sigmoid/tanh】
  35. x =torch.linspace(-5,5,200) # 从-5到5取200个点
  36. x = Variable(x)
  37. x_np = x.data.numpy()
  38. y_relu = F.relu(x).data.numpy()
  39. y_sigmoid = F.sigmoid(x).data.numpy()
  40. y_tanh = F.tanh(x).data.numpy()
  41. # y_softplus = F.softplus(x).data.numpy() # 概率图 plt.figure(1, figsize=(8, 6))
  42. # plt.subplot(221) # 绘制子图
  43. plt.plot(x_np, y_relu, c = “red”, label = “relu”) plt.ylim(-1, 5)
  44. plt.legend(loc = “best”)
  45. plt.show()
  46. # plt.subplot(222)
  47. plt.plot(x_np, y_sigmoid, c = “red”, label = “igmoid”)
  48. plt.ylim(-0.2, 1.2)
  49. plt.legend(loc = “best”)
  50. plt.show()
  51. # plt.subplot(223)
  52. plt.plot(x_np, y_tanh, c = “red”, label = “subplot”)
  53. plt.ylim(-1.2, 1.2)
  54. plt.legend(loc = “best”)
  55. plt.show()

搭建简单的神经网络

  1. #-*- coding: UTF-8 -*- #author 守望之心
  2. 回归
  3. 分类
  4. import torch
  5. from torch.autograd import Variable
  6. import torch.nn.functional as F # 激励函数
  7. import matplotlib.pyplot as plt
  8. x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim = 1) # unsqueeze 一维转变为二维 y = x.pow(2) + 0.2 * torch.rand(x.size())
  9. x, y = Variable(x), Variable(y)
  10. # print(x)
  11. # print(y)
  12. # plt.scatter(x.data.numpy(), y.data.numpy())
  13. # plt.show()
  14. class Net(torch.nn.Module): # 继承 torch 的Moudle
  15. def __init__(self, n_features, n_hidden, n_output):
  16. super(Net, self).__init__() # 继承torch __init__
  17. self.hidden = torch.nn.Linear(n_features, n_hidden) # 隐藏层线性输出 self.predict = torch.nn.Linear(n_hidden, n_output) # 输出线性层
  18. def forward(self, x):
  19. x = F.relu(self.hidden(x)) # 激励函数 x = self.predict(x) # 输出值
  20. return x
  21. net = Net(1, 10, 1) # 输入值, 隐藏层10,10个神经元, 1个输出值 print(net) # 输出搭建的神经网络结构
  22. plt.ion()
  23. plt.show()
  24. # 训练工具
  25. optimizer = torch.optim.SGD(net.parameters(), lr = 0.5) # 传入net的所有值, lr是学习率 loss_func = torch.nn.MSELoss() # 均方差
  26. print(net.parameters())
  27. for t in range(100):
  28. prediction = net(x) #喂给net 训练数据x, 输出预测值 loss = loss_func(prediction, y) # 计算两者误差
  29. # 反向传播
  30. optimizer.zero_grad()
  31. loss.backward()
  32. optimizer.step()
  33. if t % 5 == 0:
  34.  plt.cla()
  35.  plt.scatter(x.data.numpy(), y.data.numpy())
  36.  plt.plot(x.data.numpy(), prediction.data.numpy(), “r-“, lw = 5)
  37.  plt.text(0.5, 0, ‘Loss=%.4f’ % loss.data[0], fontdict={‘size’: 20, ‘color’:  ‘red’})
  38.  plt.pause(0.1)
  39. plt.ioff()
  40. plt.show()

06 数学 微积分

1、极限:

无穷大无穷小阶数;

2、微分学:

导数:

1)导数就是曲线的斜率,是曲线变化快慢的反应;

2)二阶导数是斜率变化快慢的反应,表现曲线的凸凹性;

泰勒级数逼近

牛顿法和梯度下降;

3、Jensen不等式:

凸函数;Jensen不等式

概率论:

1、积分学:

牛顿-莱布尼茨公式

2、概率空间

随机变量与概率:概率密度函数的积分;条件概率;共轭分布;

概率分布:

1)两点分布/贝努力分布;

2)二项分布;

3)泊松分布;

4)均匀分布;

5)指数分布;

6)正态分布/高斯分布;

3、大数定律和中心极限

线性代数:

1)矩阵

2)线性回归;

注:转载文章均来自于公开网络,仅供学习使用,不会用于任何商业用途,如果侵犯到原作者的权益,请您与我们联系删除或者授权事宜,联系邮箱:contact@dataunion.org。转载数盟网站文章请注明原文章作者,否则产生的任何版权纠纷与数盟无关。
期待你一针见血的评论,Come on!

不用想啦,马上 "登录"  发表自已的想法.